墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.2k累计阅读
3.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
这学期选了一门课，是讲Android应用开发的。课上有两个作业，一是自己写一个五子棋程序，而是组队三人写一个自选题目的程序。
不是很喜欢Android的应用开发，都是些图形界面移来移去调来调去，就像当初做网页一样，枯燥，重复，没有创新。但是作业又是必须要做的。于是就愁啊。。。
不过今天中午经过一段思考，如何从做一件不喜欢的事情中学到东西呢？
我是否可以通过做一两个应用，例如游戏，而从中顺便学习到设计模式相关的知识？体会如何写出更高质量，更容易维护的代码？抑或是交流沟通带领团队职责分配的能力？想到这里，就不禁觉得开心。不妨把一个课程的大作业项目作为一个练手的项目好了。虽然课程的目的是让我学习Android的应用开发，但是我可以绕过这层，从学习过程里体会一些更加深刻的东西。这样也许才是更高的境界吧
BABY加油！
21个WPF实战项目源码解析
本文还有配套的精品资源，点击获取 简介：WPF，作为.NET Framework的关键组件，提供了构建桌面应用的强大工具，统一了图形、文本渲染、多媒体和UI布局。通过分析这21个精选WPF项目实例和源代码，开发者可以深入学习XAML语言、数据绑定、样式模板、布局系统、多媒体支持、图形渲染、打印文档、命令路由、依赖属性、资源管理、导航框架、动画效果、数据验证、国际化、触控手势...
练手WPF(四)——贪吃蛇小游戏的简易实现（上）
一. 游戏界面首先，按照惯例，编辑MainWindow.xaml，先将游戏界面制作好。非常简单：（1）主游戏区依然使用我们熟悉的Canvas控件，大小为640X480像素，设定每小格子为20px，所以横坚坐标的格子数为32x24。见源代码的最后位置。（2）定位控件我们使用DockPanel，方便放置主菜单。（3）将按键事件PreviewKeyDown放在Window内。 <Window...
c#经典范例50讲，初学者可以拿来练手啊，绝对有用的
很多小例子，对于初学者很有用的，虽然有些可能要难点，但是自己钻研钻研还是蛮有用的
【两周快速入门pr】二、电影混剪——最好的剪辑练手方式
前言 本节课要制作的电影混剪是以战场女武神为主题的踩点视频！ 踩点视频：画面切换的点与背景音乐的点卡上。 混剪视频分为两类： 一类是节奏向混剪，如：这是我看过最硬核的电影混剪！ 一类是主题表达类的混剪（混剪灵魂），如：2019bilibili混剪大赛，寻找下一个镇站之宝！【官方宣传片】 一、找素材 音乐素材：可以在《网易云音乐》搜索“混剪”，可以找到适合做混剪的歌单！ 电影素材： 搜索：待补充 下载：硕鼠 二、整理素材转格式 很多时候下载的时候是乱七八糟的格式，比如FLV、RMVB等Pr不支持的格
WPF练手程序—模仿QQ展开和关闭动画
这是我学习WPF过程中写的一个练手程序，用到了画刷、透明掩码、动画等知识点，是对我最近这段时间学习的一个总结。现在分享出来，希望能对同样学习WPF的新手朋友有所帮助。
斯方块源代码(winform程序,适合新人练手)
斯方块源代码(winform程序,适合新人练手)
C#网络应用编程，实验一:WPF练习
MainWindow.xaml MainWindow.xaml.cs主要内容 我通过本次实验，复习了上学期C#WPF的核心知识点，发现了自己的不足 和知识的欠缺，更加熟悉和掌握本教材各章例子里的前端主界面和子页面的 实现，对后面的学习有很大的帮助。......
在pycharm2021.2中学习opencv图像处理，基于python3.9.7、pycharm完成配置
在pycharm中学习opencv图像处理安装python下载python安装包开始安装安装pycharm社区版下载pycharm开始安装如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 安装python 使用pycharm学习opencv应该是最简单的了，对新手比较友好，
WPF真入门教程34--爆肝了【仓库管理系统】
送人玫瑰，留有余香，能量满格，冲上天梯。
微信小程序云开发订单微信支付与小票和标签打印的完整高效流程
本片文章全文12000字，细致讲述从申请账户到小程序注册到打印机的选型最后到实现微信小程序云开发订单支付更新与小票，标签打印完整的高效流程。客户A在我们的点餐平台上点了一杯咖啡，所以客户要在选好后付款，在付款完成后商家的小票打印机和标签打印机打印出本订单的相关信息。
LVGL v8学习笔记 | 09 - 进度条控件的使用方法（bar）
lv_bar_set_range必须放在lv_bar_set_mode前面，否则不生效。bar对象的API在lv_bar.h中声明，以lv_bar_xxx命名。此事件可以用来在进度条更新值之后更新别的控件（比如进度条旁边的文字）。可以看到，默认创建的进度条值是0到100。（3）设置进度条的范围值（最大值和最小值）（2）获取进度条的起始值。（3）获取进度条的最小值。（4）获取进度条的最大值。（1）设置进度条的当前值。（2）设置进度条的起始值。（1）获取进度条当前值。（5）获取进度条的模式。
20 个前端练手项目合集
最近有很多小伙伴反应 —— “ 刚学前端，学完了 HTML、CSS、JS 三大件就没事干了，有没有适合刚入门小白的练手项目呀？” 今天就给大家带来 20 个适合新手的前端练手项目，由浅入深、层层递进，内容也非常有趣（以游戏为主），具体项目如下： 如果你还没有前端基础，推荐从这 3 门课开始学起 —— 基础阶段： 1. HTML5 简明教程 课程将从网站的基础概念开始，带你了解其运行机制。然后，我们会学习 HTML 基础知识，了解各种常用标签的意义以及基本用法。此外，课程还会涉及 HTML5
从零开始：手把手教你设计人形机器人锂电池供电系统
人形机器人要像人类一样“活起来”，必须有稳定的“能量血液”——供电系统。本文聚焦锂电池供电系统如何根据机器人功耗选择合适的锂电池参数（容量、电压、放电倍率）；如何设计电池管理系统（BMS）保护电池安全；如何解决机器人运动时的“瞬时大电流”供电难题；如何通过硬件电路和代码实现供电系统的监测与控制。用“机器人小助手的能量危机”故事引入锂电池供电系统；拆解锂电池核心参数（容量、电压、放电倍率）和供电系统三大组件（电池组、BMS、电源转换模块）；
JavaWeb 练手好项目
JavaWeb练手好项目。
【JCR一区级】鱼鹰算法OOA-CNN-LSTM-Attention故障诊断分类预测【含Matlab源码 5711期】
鱼鹰算法OOA-CNN-LSTM-Attention故障诊断分类预测 完整代码和数据，方可运行；数据可直接替换，适合小白！可提供运行操作视频！
NVIDIA Isaac Sim 入门教程 - 运动生成控制器（Motion Generators）
机器人任务通常在任务空间中根据所需的末端执行器轨迹进行定义，而控制动作则在关节空间中执行。这自然会产生关节空间和任务空间（操作空间）控制方法。然而，要利用运动控制成功执行交互任务，往往需要对机械臂及其环境都建立精确的模型。虽然可以知道足够精确的机械臂模型，但很难获得详细的环境描述 [SSVO09]。可以通过在交互过程中引入顺应行为来克服这种不匹配造成的规划错误。虽然顺应性可以通过机器人的结构（如弹性致动器、软机械臂）被动实现，但我们对侧重于主动交互控制的控制器设计更感兴趣。这些设计大致分为注释。
python练手经典100例项目,70个python练手项目列表
相信正在学Python你一定为了没有练手项目而发愁，小编精心为同学们推荐出了70个Python的练手项目，相信能够喂饱大伙儿吧！哈哈！这里面的项目都很有代表性，不只是可以用来练手，而且在以后的工作中都有很实在的用处，里面的代码几句代表性和实用性，小伙伴们一起来学习吧~
RT-DETR改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU等)
本文记录的是改进RT-DETR的损失函数，将其替换成。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。，提高检测器在不同检测任务中的性能。实现的。
软件测试练手项目，可以写进简历里面的项目实战
UI元素展示网站，列举了几乎所有流行的网页控件，可以用这个项目练习Selenium相关操作方法，比如：点击、拖动、切换等常见的页面元素，在这个网站上都有现成的控件可以操作。作为一位过来人也是希望大家少走一些弯路，如果你不想再体验一次学习时找不到资料，没人解答问题，坚持几天便放弃的感受的话，在这里我给大家分享一些自动化测试的学习资源，希望能给你前进的路上带来帮助。因此一个合适的练手项目对于掌握自动化测试至关重要，项目太简单的话，技能点涉及太少，达不到效果，项目太复杂，又需要花费大量的时间熟悉业务。
*手把手教你学 Simulink——压缩机用永磁同步电机无位置传感器 I‑F 启动（Sensorless I/F Starting）控制仿真
dtdi^αzαe^αω^θ^=Ls1(−Rsi^α+usα−zα)=K⋅sign(i^α−iα)=zα+Kpll⋅(i^α−iα)同理 β=PLL(e^α,e^β)=∫ω^dt。给定 Id=Iset, Iq=f(θopen)按设定 fstart(t)Iq=k⋅sin(θopen)投影 → 恒幅 Is=Id2+Iq2。 将 Id,Iq→ Iα,Iβ→ SVPWM。Id=Ialign（弱对齐 → 防抖动）
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
python练手经典100例项目,80个python练手项目列表
这篇文章主要介绍了python练手经典100例项目，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获，下面让小编带着大家一起了解一下。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
70个python练手项目-一个不错的练手项目！
原标题：一个不错的练手项目！分享过很多不错的Python练手项目，比如定时关机代码，微信自动回复，查看微信撤回消息，等等。前几天推荐了一个Python来控制电脑的文章，那么今天再推荐一个更加简单的练手项目：Python发送邮件！一起来看看怎么实现的吧！不懂Python也可以，会复制代码就可以了。下面是所有所有代码，有几处是我自己邮箱账号，大家在使用的时候需要替换自己的账号。 上面我这段代码，暂时只...
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
70个python练手项目 下载,python入门练手小程序
不管学习哪门语言都要做出实际的东西来，这个实际的东西就是项目。小编整理了 70 个 Python 实战项目，都有完整且详细的教程，你可以从中选择自己想做的项目进行参考学习练手，你也可以从中寻找灵感去做自己的项目python怎么使用已经训练好的模型。【----帮助Python学习，以下所有学习资料文末免费领！----】70 个 Python 练手项目如下所示：1、【Python 图片转字符画】2、【200行Python代码实现2048】3、【Python3 实现火车票查询工具】
gihub上适合练手的Python项目
选择适合自己当前水平的项目，逐步提升技能。可以从基础项目开始，逐步挑战更复杂的任务。同时，参与开源项目可以帮助你学习最佳实践和团队协作。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2639
扫一扫
